Fugu-MT 論文翻訳(概要): An AIC-based approach for articulating unpredictable problems in open complex environments

論文の概要: An AIC-based approach for articulating unpredictable problems in open complex environments

arxiv url: http://arxiv.org/abs/2403.14697v1
Date: Fri, 15 Mar 2024 20:30:02 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 03:23:33.631592
Title: An AIC-based approach for articulating unpredictable problems in open complex environments
Title（参考訳）: AICに基づくオープン複合環境における予測不可能な問題を記述するためのアプローチ
Authors: Haider AL-Shareefy, Michael Butler, Thai Son Hoang,
Abstract要約: システムアプローチを採用することで、信頼性の高いシステムを設計する際のアーキテクトの予測能力を改善することを目指している。このアプローチを説明するために、航空宇宙ケーススタディが使用されます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This research paper presents an approach to enhancing the predictive capability of architects in the design and assurance of systems, focusing on systems operating in dynamic and unpredictable environments. By adopting a systems approach, we aim to improve architects' predictive capabilities in designing dependable systems (for example, ML-based systems). An aerospace case study is used to illustrate the approach. Multiple factors (challenges) influencing aircraft detection are identified, demonstrating the effectiveness of our approach in a complex operational setting. Our approach primarily aimed to enhance the architect's predictive capability.
Abstract（参考訳）: 本研究では,動的かつ予測不能な環境で運用されるシステムに着目し,システムの設計と保証におけるアーキテクトの予測能力を高めるためのアプローチを提案する。システムアプローチを採用することで、信頼性の高いシステム(例えばMLベースのシステム)を設計する際のアーキテクトの予測能力を改善することを目指している。このアプローチを説明するために、航空宇宙ケーススタディが使用されます。航空機検出に影響を与える複数の要因(カオス)を同定し,複雑な運用環境でのアプローチの有効性を実証した。私たちのアプローチは主に、アーキテクトの予測能力を高めることを目的としています。

関連論文リスト

A Survey of Model Architectures in Information Retrieval [64.75808744228067]
機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
論文参考訳（メタデータ） (2025-02-20T18:42:58Z)
On Sequential Fault-Intolerant Process Planning [60.66853798340345]
我々は、逐次的フォールトトレラントプロセス計画(SFIPP)と呼ばれる計画問題を提案し、研究する。 SFIPPは、全ての段階が成功する場合にのみ計画が成功すると判断される多くの連続した多段階決定問題に共通する報酬構造をキャプチャする。私たちは、異なるアクションを選択して、それぞれのステージで成功の確率を未知にする必要がある設定のために、確実に厳密なオンラインアルゴリズムを設計します。
論文参考訳（メタデータ） (2025-02-07T15:20:35Z)
A quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
本研究では,MLシステムにおけるアーキテクチャパターンの定量的評価のための枠組みを提案する。コスト効率のよいCPUベースの推論のためのスケーラビリティとパフォーマンスメトリクスに注目します。
論文参考訳（メタデータ） (2025-01-20T15:30:09Z)
A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文参考訳（メタデータ） (2024-12-18T14:11:15Z)
Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach [1.3812010983144802]
本稿では,Deep Q-learningアルゴリズムを用いてエンジニアリングシステムの設計を最適化するフレームワークを提案する。目的は、不確実性の複数のソースが与えられたシミュレーションモデルの出力を最大化するポリシーを見つけることである。複数の不確実性が存在する場合の2つの工学系設計問題を解くことで,提案手法の有効性を実証する。
論文参考訳（メタデータ） (2023-12-28T06:11:34Z)
Predictable Artificial Intelligence [77.1127726638209]
本稿では予測可能なAIのアイデアと課題を紹介する。それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
論文参考訳（メタデータ） (2023-10-09T21:36:21Z)
Architecting Safer Autonomous Aviation Systems [1.2599533416395767]
本稿では,従来の航空システムで使用される共通アーキテクチャパターンについて考察し,安全性と安全性の保証がもたらす影響について考察する。安全性を建築上の特性として考慮し、設計ライフサイクルの初期段階において、安全要件の割り当てとアーキテクチャ上のトレードオフの両方について論じる。
論文参考訳（メタデータ） (2023-01-09T21:02:18Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
Graph Learning based Generative Design for Resilience of Interdependent Network Systems [3.6930948691311007]
本研究では,グラフ学習アルゴリズムを用いた生成設計手法を提案する。ジェネレータは、既存のシステムから優れた特性をインテリジェントにマイニングし、事前に定義された性能基準を満たす新しい設計を出力することができる。 IEEEデータセットの電力システムに基づくケーススタディでは,提案手法の適用性を示した。
論文参考訳（メタデータ） (2022-07-03T01:35:08Z)
HINNPerf: Hierarchical Interaction Neural Network for Performance Prediction of Configurable Systems [22.380061796355616]
HINNPerfは、性能予測のための新しい階層型相互作用ニューラルネットワークである。 HINNPerfは、構成オプション間の複雑な相互作用をモデル化するために、埋め込みメソッドと階層ネットワークブロックを使用している。実世界の10のシステムにおける実証実験の結果,我々の手法は最先端の手法よりも統計的に優れていた。
論文参考訳（メタデータ） (2022-04-08T08:52:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。